What comes after de novo? Automated lead optimization of proteins with CRADLE-1

本文介绍了 CRADLE-1 这一自动化蛋白质工程框架，它通过结合预训练蛋白语言模型与实验室闭环数据，实现了跨多种模态的多属性先导化合物优化，其效率比传统理性设计快 4-7 倍，且无需依赖结构数据或生化机制知识。

要点

这篇论文介绍了一个名为 CRADLE-1 的超级智能系统，它就像是一位**“蛋白质领域的米其林三星大厨兼自动化管家”**。

为了让你轻松理解，我们可以把药物研发想象成开一家顶级餐厅，而蛋白质就是餐厅里用来做菜的核心食材。

1. 以前的困境：靠运气和经验的“试错法”

在以前，科学家想研发一种新药（比如一种能杀死病毒的抗体蛋白），就像厨师想发明一道新菜。

• 流程很慢：他们先找一个大概能用的食材（“先导分子”），然后凭经验猜：“如果我把这块肉切薄一点，或者加一点盐，味道会不会更好？”
• 成本极高：每次猜测，他们都要真的去厨房（实验室）切肉、炒菜、尝味道。如果不好吃，就扔掉，再试下一次。
• 耗时耗力：这个过程通常需要 12 到 36 个月，花费 500 万到 1500 万美元，而且成功率很低。很多时候，试了上百次，最后发现还是不够完美。

2. CRADLE-1 是什么？：一位“读心”的 AI 大厨

CRADLE-1 的出现，彻底改变了这个游戏规则。它不再需要厨师凭感觉瞎猜，而是像一位拥有超级大脑的 AI 大厨。

• 它懂“食材语言”：
  就像人类厨师懂“盐、糖、火”一样，CRADLE-1 懂蛋白质的“语言”（氨基酸序列）。它阅读了成千上万种天然蛋白质的“食谱”（进化数据），知道什么样的组合是美味的（稳定的、有效的），什么样的组合是难吃的（有毒的、不稳定的）。

• 它不仅是“设计”，更是“优化”：
  这篇论文的重点不是从零开始发明一道新菜（那是“从头设计”，de novo），而是优化一道已经存在的菜。

  • 场景：假设你有一道“红烧肉”（先导蛋白），它能吃，但太油腻（免疫原性高），或者容易变质（热稳定性差）。
  • CRADLE-1 的任务：它不需要你告诉它具体的化学原理，它只需要你给它这道菜的“味道数据”（比如：现在的味道评分是 60 分，我们需要 90 分，同时不能太咸）。
  • 它的操作：它会瞬间在脑海里模拟出成千上万种“微调”方案（比如：把这块肉换成瘦肉，把盐换成酱油，把炖煮时间缩短 5 分钟）。它不需要真的去厨房试，它先在电脑里“虚拟试吃”了 96 种方案，挑出最可能成功的几种，然后告诉人类：“去厨房做这几种，肯定好吃。”

3. 它是如何工作的？（三步走）

CRADLE-1 的工作流程就像一个自动化的“设计 - 制造 - 测试 - 学习”循环：

1. 设计 (Design)：
   AI 根据你给的目标（比如：既要粘得紧，又要耐热），在虚拟世界里生成一堆新的蛋白质“食谱”。
2. 制造与测试 (Build & Test)：
   人类科学家只负责把 AI 选出的那几十个最好的“食谱”在实验室里做出来，测一下数据（比如：它真的耐热吗？粘得紧吗？）。这就像只试吃几口，而不是试吃所有菜。
3. 学习 (Learn)：
   这是最神奇的一步。实验室的数据（哪怕是模糊的、有噪音的）会立刻传回给 AI。AI 会像学生一样：“哦！原来加那个‘调料’（突变）会让味道变好，但加那个会让它变质。”
   然后，AI 立刻更新它的“大脑”，在下一轮中生成更完美的食谱。

4. 它的超能力（成果）

论文里展示了 CRADLE-1 在多个领域的“烹饪”成果，简直令人咋舌：

• 速度快 4-7 倍：以前需要试错 3 轮才能找到的好蛋白，它可能只需要 1 轮。就像别人还在画草图，它已经端上了成品菜。
• 全能选手：它不仅能优化抗体（治疗癌症、病毒），还能优化酶（工业用，比如分解塑料）、疫苗、甚至基因编辑工具（CRISPR）。
• 多任务处理：以前的方法通常只能改一个属性（比如只改耐热性，结果味道变了）。CRADLE-1 可以同时优化 4 到 6 个属性（既要粘得紧，又要耐热，还要容易生产，还不能让人过敏）。
• 黑盒操作：你甚至不需要告诉它背后的化学原理。你只需要给它输入“输入序列”和“输出数据”（比如：这个蛋白在 60 度没坏，那个坏了），它就能学会规律。就像你不需要懂汽车引擎原理，只要告诉导航仪“我想去那里”，它就能规划路线。

5. 一个生动的比喻：调音师

想象你在调一架巨大的钢琴（蛋白质）。

• 传统方法：你一个一个琴键地按，听听声音，如果不对，再按下一个。这需要很久，而且很难同时调好高音和低音。
• CRADLE-1：它是一台智能调音机器人。它先听你弹一段（初始蛋白），然后它瞬间计算出：“如果把第 3 根弦紧一点，第 5 根弦松一点，第 10 根弦换个材质，声音会完美。”它直接给出几个最佳方案，你只需要试这几个，就能得到完美的交响乐。

总结

这篇论文告诉我们，药物研发中最昂贵、最耗时的“优化”阶段，现在可以被自动化和智能化了。

CRADLE-1 就像是一个不知疲倦、拥有超级直觉的蛋白质优化引擎。它把原本需要几年、几百万美元的“试错”过程，压缩成了几天、几万美元的“精准打击”。这意味着，未来我们可能会更快地得到治疗癌症、罕见病的新药，而且成本会大幅降低。

一句话总结：CRADLE-1 让蛋白质设计从“盲人摸象”变成了“上帝视角”，让新药研发变得像“按按钮”一样高效。

技术摘要

这是一份关于 CRADLE-1 系统的详细技术总结，基于您提供的论文《Automated lead optimization of proteins with CRADLE-1》。

1. 研究背景与问题 (Problem)

药物发现中的“先导化合物优化”（Lead Optimization）瓶颈：

• 现状： 先导化合物优化是临床前药物发现中最长、最昂贵的步骤。通常需要 12-36 个月，每个候选分子的成本高达 500 万至 1500 万美元。
• 痛点： 传统的优化过程依赖于“设计 - 构建 - 测试 - 学习”（Design-Build-Test-Learn, DBTL）循环，主要由人类专家主导（Human-in-the-loop），结合计算工具进行理性设计。这种方法效率低下，往往需要多轮湿实验迭代，且难以同时优化多个相互冲突的属性（如结合力、稳定性、表达量等）。
• 目标： 开发一种自动化框架，能够显著加速蛋白质工程过程，同时优化多种属性，适用于多种蛋白质模态（抗体、酶、疫苗、CRISPR 系统等）。

2. 方法论 (Methodology)

CRADLE-1 是一个端到端的自动化蛋白质工程框架，其核心在于利用**蛋白质语言模型（Protein Language Models, PLMs）结合实验室闭环（Lab-in-the-loop）**数据。

核心架构流程：

1. 预训练 (Pre-training)：
   • 使用大型蛋白质序列数据库（如 UniRef）训练基础蛋白质语言模型。
2. 微调 (Fine-tuning)：
   • 进化微调 (Evotuning)： 在模板序列的进化邻域（通过多序列比对 MSA 获得）上进行无监督微调，优化掩码语言模型损失。这使模型理解特定蛋白家族的进化约束。
   • 监督微调 (Supervised Fine-tuning)： 如果拥有湿实验数据（序列 - 功能对），则进一步微调两个特定模型：
     • Logiter (偏好优化模型)： 使用组直接偏好优化 (g-DPO) 算法，基于实验数据对序列进行偏好排序，优化对数似然比。
     • Predictor (预测器)： 添加回归头，直接根据序列预测特定属性（如结合力、稳定性）。
3. 生成 (Generation)：
   • 采用迭代采样循环。
   • 双束搜索 (Double Beam Search)： 在生成过程中维护两个束（Beam）：一个包含当前接受的序列，另一个包含“备份”序列（可能在更高温度下变得合适）。
   • 多样性感知排序： 结合 Logiter 的偏好评分和 Predictor 的属性预测，生成既符合进化约束又满足多属性目标的候选序列。

关键特性：

• 黑盒数据消费： 系统可以处理“黑盒”湿实验数据，无需了解底层的生化机制或靶标结构，仅需序列 - 功能对。
• 零样本启动 (Zero-shot)： 在没有湿实验数据的情况下（仅凭模板序列），利用进化上下文即可启动优化。
• 多属性优化： 能够同时优化 1-6 种属性（甚至更多），包括结合亲和力、表达量、热稳定性、免疫原性、非特异性结合等。

3. 主要贡献 (Key Contributions)

1. 显著的速度提升： CRADLE-1 比传统的理性设计快 4-7 倍（以湿实验轮次衡量）。
2. 广泛的适用性： 成功应用于多种蛋白质模态，包括 VHH（纳米抗体）、scFv、IgG、肽、酶、CRISPR 系统和疫苗。
3. 多属性协同优化： 证明了系统可以在不牺牲其他属性的情况下，同时优化多个关键指标（例如：在提高结合力的同时提高热稳定性和表达量）。
4. 自动化与鲁棒性： 整个流程可自动化运行，即使面对具有批次效应（batch effects）的噪声湿实验数据，系统仍能稳健工作。
5. 超越结构依赖： 研究发现，序列 - 功能对（Sequence-Function pairs）在很大程度上可以取代结构数据，仅凭序列即可实现高性能设计。

4. 实验结果 (Results)

论文展示了在多个真实商业和学术项目中的成功案例：

• EGFR scFv 优化： 在 Adaptyv Bio 蛋白质设计竞赛中获胜。将 Cetuximab 的框架区域进行优化，在保持 CDR 不变的情况下，将结合亲和力从 6.64 nM 提升至 339 pM（12 个变体均结合）。
• SARS-CoV-2 VHH 多特异性结合： 同时优化野生型和 Omicron 变异株的结合力、热稳定性和表达量。获得了对野生型 186 pM 的亲和力，对 Omicron 11.4 nM，热稳定性提升至 70.9°C。
• 蛇毒中和抗体： 针对三种不同的神经毒素进行五属性优化（三种毒素结合力 + 稳定性 + 表达量）。获得了对三种毒素均小于 1 nM 的结合力，热稳定性达 76.7°C。
• P450 酶活性优化： 相比合作伙伴之前理性设计（8 轮实验，17.9 倍提升），CRADLE-1 仅用 3 轮实验实现了 40.6 倍 的活性提升。
• IgG 综合优化： 针对一家顶级药企的 IgG，同时优化了效力、聚集性、非特异性、细胞结合、免疫原性和表达量。在 3 轮实验中，成功获得了 10 个满足所有标准的候选分子。
• CRISPR 系统优化： 优化了脱靶编辑活性（Off-target）和靶内编辑活性（On-target）。将靶内活性从 40% 提升至 75%，同时将最坏位点的脱靶活性从 0.4% 降低至 0.1%。
• 肽类优化： 在严格的约束条件下（效力、特异性、表达、稳定性），成功率达到 50%，比合作伙伴之前的迭代速度快 5 倍。

对比基线：
在与开源模型（ProteusAI + ESM-2）和传统蛋白质工程方法（丙氨酸扫描/CDR 扫描）的对比中，CRADLE-1 在帕累托前沿（Pareto frontier）的探索上表现更优，能够更有效地在多个目标之间找到最佳平衡点。

5. 意义与影响 (Significance)

• 降低研发成本与时间： 将先导优化阶段从数年缩短至数月，大幅降低每个候选分子的开发成本（从数百万美元降至更低）。
• 改变风险偏好： 由于优化过程的可靠性提高（成功率从传统的~85% 提升至 90-95%），制药公司可能更愿意承担高风险靶点或罕见病药物的开发。
• 资本配置效率： 更快的优化周期使得药物开发时间线能与预算周期更好地匹配，减少因资金暂停导致的项目中断和上下文切换损失。
• 技术范式转变： 证明了基于序列语言模型和主动学习（Active Learning）的自动化框架可以超越依赖人类专家直觉和结构信息的传统理性设计，为蛋白质工程提供了新的“黑盒”优化范式。
• 商业潜力： 该系统已显示出在工业酶、基因编辑工具、疫苗和各类治疗性抗体中的广泛应用潜力。

总结

CRADLE-1 代表了蛋白质工程领域的一次重大飞跃。它通过将基础大模型、进化信息、偏好优化算法与自动化湿实验闭环相结合，成功解决了药物发现中最昂贵、最耗时的“先导优化”难题。其核心优势在于速度（4-7 倍加速）、多目标优化能力以及广泛的模态适应性，为未来自动化、数据驱动的药物研发奠定了坚实基础。